收缩协方差#

sklearn.covariance.shrunk_covariance(emp_cov, shrinkage=0.1)[source]#

计算在对角线上收缩的协方差矩阵。

更多信息请参阅用户指南。

参数：

emp_cov形状为 (…, n_features, n_features) 的类数组: 需要收缩的协方差矩阵，至少是二维 ndarray。
shrinkage浮点数，默认为 0.1: 用于计算收缩估计的凸组合中的系数。范围为 [0, 1]。

返回：

shrunk_cov形状为 (…, n_features, n_features) 的 ndarray: 收缩后的协方差矩阵。

备注

正则化（收缩）协方差由下式给出：

(1 - shrinkage) * cov + shrinkage * mu * np.identity(n_features)

其中 mu = trace(cov) / n_features。

示例

>>> import numpy as np
>>> from sklearn.datasets import make_gaussian_quantiles
>>> from sklearn.covariance import empirical_covariance, shrunk_covariance
>>> real_cov = np.array([[.8, .3], [.3, .4]])
>>> rng = np.random.RandomState(0)
>>> X = rng.multivariate_normal(mean=[0, 0], cov=real_cov, size=500)
>>> shrunk_covariance(empirical_covariance(X))
array([[0.73..., 0.25...],
       [0.25..., 0.41...]])